[发明专利]基于深度对抗哈希学习的大规模遥感影像内容检索方法

说明书

本发明公开了一种基于深度对抗哈希学习的大规模遥感影像内容检索方法，首先建立遥感图像库，并挑选若干遥感图像；用构造的训练样本，训练深度对抗哈希学习模型；用训练好的对抗哈希编码模型，对整个遥感图像库进行哈希编码，得到哈希数据库；对用户输入的查询图像，进行归一化处理之后，用训练好的对抗哈希编码模型进行哈希编码，得到查询图像的哈希编码；计算查询图像的哈希编码与哈希数据库中的所有样本的相似匹配距离，并依照该匹配距离按照从小到大的顺序，返回用户需要数量的图像索引，依据索引找到遥感图像库中对应的图像，完成图像检索。本发明具有检索精度高，并且有较小的量化损失，哈希编码更加高效的优点。

技术领域

本发明属于遥感影像内容检索技术领域，具体涉及一种基于深度对抗哈希学习的大规模遥感影像内容检索方法，可应用于大规模的遥感图像检索。

背景技术

随着遥感技术的快速发展，遥感图像的数据量快速增长。日益增长的数据量给人们的生活带来便利，但同时，如何有效地进行遥感数据管理也成为了一项挑战。而遥感图像检索是指从海量数据库中能够快速检索出感兴趣的遥感图像，是解决数据管理问题的有效方法之一。如何实现高效快速的图像检索具有重要研究意义。

哈希检索，是指提取图像中的基本特征(包括颜色、形状和纹理等)或深度学习特征(包括无监督学习特征和卷积神经网络学习特征等)构成特征向量，再将特征向量转化为二值的哈希编码，用哈希编码去检索。如今已经有很多较成熟的、著名的哈希学习方法被提出。如Yue Cao,Mingsheng Long,Jianmin Wang,Han Zhu,and Qingfu Wen,“Deepquantization network for efficient image retrieval,”in AAAI,2016,pp.3457–3463.简称DQN。又如Han Zhu,Mingsheng Long,Jianmin Wang,and Yue Cao,“Deephashing network for efficient similarity retrieval,”in AAAI,2016,pp.2415–2421，简称DHN。然而这些方法在从图像的特征向二值哈希空间映射时都会存在量化损失的问题，即特征向量向二值哈希转化的过程中，检索的精度会降低。

发明内容

本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于深度对抗哈希学习的大规模遥感影像内容检索方法，以减少量化损失和保持编码平衡。使得检索精度得到进一步提升。

本发明采用以下技术方案：

基于深度对抗哈希学习的大规模遥感影像内容检索方法，首先建立遥感图像库{I₁,I₂,…,I_N}，并挑选若干遥感图像；用构造的训练样本，训练深度对抗哈希学习模型；用训练好的对抗哈希编码模型，对整个遥感图像库{I₁,I₂,…,I_N}进行哈希编码，得到哈希数据库{B₁,B₂,…,B_N}；对用户输入的查询图像I'，进行归一化处理之后，用训练好的对抗哈希编码模型进行哈希编码，得到查询图像的哈希编码H'；计算查询图像的哈希编码B'与哈希数据库{B₁,B₂,…,B_N}中的所有样本的相似匹配距离，并依照该匹配距离按照从小到大的顺序，返回用户需要数量的图像索引，依据索引找到遥感图像库{I₁,I₂,…,I_N}中对应的图像，完成图像检索。

具体的，挑选遥感图像具体为：